ember-memory-test/episodes/TRAZA_guardado-6f278901-33-remotos_S20260712.R2_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md

episode_id	puente_flat	session_code	acto_dialogico	actor_flujo	criticidad_aegis	skill_dominante	fase_proyecto	tipo_semantico	summary_one_line	source_type	trust_boundary	created_at	relectura_tagged	forgejo_commit_sha
136020a1-33d2-4965-9d2e-473568f5f6bf	TRAZA_guardado-6f278901-33-remotos_S20260712.R2_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD	S20260712.PIPELINE_PG_HYDE_FIX	informar	multi_actor	low	NONE	operations	troubleshooting	EPISODIO 2 — MNEMO_PRE_DIGEST: Guardado (`6f278901`, 3/3 remotos).	claude_code	internal	2026-07-12T20:21:27.384037+00:00	false	pending

Guardado (6f278901, 3/3 remotos).

El resumen de tu respuesta, en 3 puntos:

1. No es que Opus sea "poco listo" de primera — es que un LLM escribe de un solo trazo sin poder releerse; hasta el más brillante omite cosas escribiendo de corrido. La inteligencia mejora el trazo, no reemplaza la relectura.

2. El beneficio de una segunda pasada depende del HUECO, no de la inteligencia: en tareas fáciles Opus/Sonnet salen perfectos (medimos: cero beneficio); en tareas difíciles (tu trabajo real) sí tienen hueco y sí mejoran. Por eso lo que tú percibes y lo que medimos son ambos ciertos — solo que nuestras pruebas usaron tareas fáciles.

3. Tu intuición es correcta y es el hallazgo entero: no era el protocolo, era el mecanismo. Con dos precisiones que medimos: no es solo la segunda pasada, es varios intentos + una prueba objetiva que escoja el bueno; y ni siquiera es "el modelo arregla su error" (eso, el brazo-R, no ganó) — es "genera varios y quédate con el que pasa el test".

Guardado (214a0f5d, 3/3 remotos). Tu respuesta, apretada:

Tres puntos:

1. "Pensando" sí existe y ayuda — pero sigue siendo un solo trazo, más largo. El modelo escribe su borrador ("A… no, mejor B") antes de responder, y se apoya en él. Se corrige escribiendo más, no borrando. No me contradice: lo refina.
2. "Varios hilos en paralelo" es el matiz inexacto. Un stream de pensamiento es secuencial (explora A, luego B), no ramas paralelas comparándose. El paralelismo real —correr K veces y que algo escoja— es externo, y es justo el best-of-K que medimos.
3. El enganche con todo el arco: "el modelo escoge internamente la mejor" = el modelo juzgándose a sí mismo, con el mismo punto ciego que causó el error. Por eso el lift fiable no vino de la auto-selección interna sino del corrector externo insobornable. Pensar (interno) y best-of-K+oráculo (externo) son ambos "más cómputo al responder" — pero solo el que tiene una prueba objetiva de por medio da mejora medible y confiable.

Y la honestidad de siempre: no me miro los pesos por dentro; describo cómo funcionan estos sistemas en general. Lo firme es que la generación es token-a-token, "pensar" es borrador-antes-de-responder, y la selección-paralela real es externa.